“数据驱动决策”&＃xff0c;为了不让这句话成为空话&＃xff0c;在本章的最后&＃xff0c;作者将自己的经验提炼为以下15种思想武器&＃xff0c;不求你当下就能掌握&＃xff0c;但希望你能不断参悟并修正。
在指标构建的内容中已经对指标的信度和效度做了阐述。这部分也许是最难理解的&＃xff0c;但也最重要。没有这个思维&＃xff0c;决策者很有可能在数据中迷失&＃xff0c;如图4-57所示。
度与效度思维
信度与效度的概念最早来源于调查分析&＃xff0c;但现在可以引申到数据分析工作的各个方面。
所谓信度&＃xff0c;是指一个数据或指标自身的可靠程度&＃xff0c;包括准确性和稳定性。取数逻辑是否正确&＃xff1f;有没有计算错误&＃xff1f;这属于准确性&＃xff1b;每次计算的算法是否稳定&＃xff1f;口径是否一致&＃xff1f;以相同的方法计算不同的对象时&＃xff0c;准确性是否有波动&＃xff1f;这是稳定性。做到以上两个方面&＃xff0c;就是一个好的数据或指标了吗&＃xff1f;其实还不够&＃xff0c;还有一个更重要的因素&＃xff0c;就是效度&＃xff01;
所谓效度&＃xff0c;是指一个数据或指标的生成&＃xff0c;需贴合它所要衡量的事物&＃xff0c;即指标的变化能够代表该事物的变化。
只有在信度和效度上都达标&＃xff0c;才是一个有价值的数据指标。举个例子&＃xff1a;要衡量身体的肥胖情况&＃xff0c;选择穿衣的号码作为指标&＃xff0c;一方面&＃xff0c;相同的衣服尺码对应的实际衣服大小是不同的&＃xff0c;会有美版、韩版等因素&＃xff0c;使得准确性很差&＃xff1b;另一方面&＃xff0c;一会儿穿这个牌子的衣服&＃xff0c;一会儿穿那个牌子的衣服&＃xff0c;使得该衡量方式形成的结果很不稳定。所以&＃xff0c;衣服尺码这个指标的信度不够。尺码大小并不能准确反映肥胖情况&＃xff0c;因此效度也不足。体脂率才是信度和效度都比较达标的肥胖衡量指标。
在我们的现实工作中&＃xff0c;许多人会想当然地拿了指标就用&＃xff0c;这是非常值得警惕的。你要剁骨头却拿了把手术刀&＃xff0c;是不是很可悲&＃xff1f;信度和效度的本质&＃xff0c;其实属于数据质量的问题&＃xff0c;这是一切分析的基石&＃xff0c;再怎么重视都不过分&＃xff01;
说到天平读者都不陌生&＃xff0c;平衡的思维相信也都能很快理解。简单来说&＃xff0c;在数据分析的过程中&＃xff0c;需要经常寻找事情间的平衡关系&＃xff0c;且平衡关系往往是关乎企业运转的大问题&＃xff0c;如市场的供需关系&＃xff0c;薪资与效率关系&＃xff0c;工作时长与错误率的关系等。
平衡思维的关键点在于寻找能展示出平衡状态的指标。也就是图4-58所示的框&＃xff0c;要通过这个准确的量化指标观察天平的倾斜程度。怎么找这个指标呢&＃xff1f;一般先找双向型的问题&＃xff0c;即“高也不是低也不是”的问题&＃xff0c;然后量化为指标&＃xff0c;最后计算成某个比率&＃xff0c;长期跟踪后观察它的信度和效度。
平衡思维
举个电商的例子&＃xff0c;在电商的用户行为分析中&＃xff0c;用户每次访问的深度就是一个“高不成低不就”的问题。若用户访问深度过深&＃xff0c;每次都要浏览很多个页面&＃xff0c;说明他在这里没有遇到想要的产品&＃xff0c;或者页面没有促使他快速购买&＃xff0c;这不是一家电商公司想看到的情况&＃xff1b;若用户每次访问都很浅&＃xff0c;看一两个页面就走掉了&＃xff0c;说明你的产品展示、内容引导很有问题。那么&＃xff0c;访问深度多少是合适的呢&＃xff1f;这就是数据分析人员需要研究的问题——在多深的访问深度时&＃xff0c;用户形成购买的概率最大。
客户分群、产品归类、市场分级、绩效评价等许多事情都需要有分类的思维。主管拍脑袋也可以分类&＃xff0c;通过机器学习算法也可以分类&＃xff0c;到底分类思维怎么应用呢&＃xff1f;
关键点在于&＃xff0c;分类后的事物需要在核心关键指标上能拉开距离&＃xff01;也就是说&＃xff0c;分类后的结果必须是显著的。如图4-59所示&＃xff0c;横轴和纵轴往往是你运营中关注的核心指标&＃xff08;当然不限于二维&＃xff09;&＃xff0c;而你能看到分类后的对象分布不是随机的&＃xff0c;而是有显著的集群的倾向。
分类思维
举个例子&＃xff0c;假设图4-59所示反映了某个消费者分群的结果&＃xff0c;横轴代表购买频率&＃xff0c;纵轴代表客单价&＃xff0c;那么图中右上角的这群人&＃xff0c;就是明显的“金牌客户”。右下角这个象限的人群&＃xff0c;就是“屌丝”群体&＃xff0c;他们“频繁地买便宜货”。左上角的人群是精英阶层&＃xff0c;他们“选购好商品”。左下角的人群可以归结为长尾客户&＃xff0c;不需要我们花精力去维护&＃xff0c;让他们自然生长&＃xff0c;转变为其他三个象限的人群后&＃xff0c;我们再施以针对性的策略。
如图4-60所示&＃xff0c;矩阵思维是分类思维的延伸&＃xff0c;它不再局限于用量化指标进行分类。许多时候&＃xff0c;我们没有数据作支持&＃xff0c;只能通过经验做主观的推断&＃xff0c;可以把某些重要因素组合成矩阵&＃xff0c;大致定义出好坏的方向&＃xff0c;然后进行分析。
矩阵思维
我们在上文中提到的“重要—紧急矩阵”&＃xff0c;就是矩阵思维的一个例子。
这种思维方式已经比较普及了&＃xff0c;注册转化、购买流程、销售管道、浏览路径等&＃xff0c;很多分析场景中都能找到这种思维的影子&＃xff0c;如图4-61所示。
漏斗思维
作者认为看上去越是普世、越是容易理解的模型&＃xff0c;它的应用越得谨慎和小心。在漏斗思维中&＃xff0c;我们尤其要注意漏斗的长度。
漏斗从哪里开始到哪里结束&＃xff1f;以作者的经验&＃xff0c;漏斗的环节不该超过5个&＃xff0c;且漏斗中各环节的百分比数值、量级不要超过100倍&＃xff08;漏斗第一个环节从100%开始&＃xff0c;到最后一个环节的转化率数值不要低于1%&＃xff09;。若超过了这两个数值标准&＃xff0c;建议分为多个漏斗进行观察。当然&＃xff0c;这两个是经验数值&＃xff0c;仅为读者提供一个参考。
理由是什么呢&＃xff1f;超过5个环节&＃xff0c;往往会出现多个重点环节&＃xff0c;那么在一个漏斗模型中分析多个重要问题容易产生混乱。数值量级差距过大&＃xff0c;数值间变化的实际意义很难被察觉&＃xff0c;容易遗漏信息。例如&＃xff0c;漏斗的第一个环节到第二个环节的转化率从60%变到50%&＃xff0c;让你感觉是天大的事情&＃xff0c;而漏斗最后环节的转化率发生0.1%的变动&＃xff0c;你却不以为然&＃xff0c;其实往往是漏斗最后这0.1&＃xff05;的变动非常致命。
如图4-62所示&＃xff0c;我们观察指标&＃xff0c;不仅要看单个指标的变化&＃xff0c;还需要观察指标间的相互关系。有正相关关系&＃xff08;实线&＃xff09;和负相关关系&＃xff08;虚线&＃xff09;。最好能时常计算指标间的相关系数&＃xff0c;定期观察变化。
相关思维
现在很多企业管理层&＃xff0c;面对的问题并不是没有数据&＃xff0c;而是数据太多&＃xff0c;有用的数据太少。相关思维的一个应用&＃xff0c;就是帮助我们找到最重要的数据&＃xff0c;排除过多杂乱数据的干扰。
如何执行呢&＃xff1f;可以计算能收集到的多个指标间的相互关系&＃xff0c;挑出与其他指标相关系数都相对较高的数据指标&＃xff0c;分析它的产生逻辑、对应的问题&＃xff0c;并评估信度和效度&＃xff0c;若都满足标准&＃xff0c;这个指标就能定位为核心指标。
建议读者养成一个习惯&＃xff0c;经常计算指标间的相关系数&＃xff0c;仔细思考相关系数背后的逻辑&＃xff0c;或许能给你带来惊喜&＃xff01;另外&＃xff0c;“没有相关关系”&＃xff0c;也会成为惊喜的来源。在第5章中&＃xff0c;我们会针对相关系数模型做详细的讨论&＃xff0c;你会更多地体会相关思维的好处。
在与许多处在管理层的朋友交流后&＃xff0c;发现他们往往手握众多数据和报表&＃xff0c;注意力却非常跳跃和分散。这当然不是好现象&＃xff0c;但如何避免呢&＃xff1f;一是通过相关思维&＃xff0c;找到最核心的问题和指标&＃xff1b;二是建立远进度的思维方式&＃xff0c;如图4-63所示。
远近度思维
确定好核心问题后&＃xff0c;分析其他业务问题与该核心问题的远近程度&＃xff0c;由近及远&＃xff0c;有计划地分配自己的精力。例如&＃xff0c;近期你的核心任务是提高客服人员的服务质量&＃xff0c;那么客服人员的话术、客户评价通道、客服系统的响应速度等就是靠得最近的子问题&＃xff0c;需要重点关注&＃xff0c;而客户的问询习惯、客户的购买周期等就是相对远的问题&＃xff0c;暂时先放一放。
除了事务的远近度&＃xff0c;还需要思考人事的远近度。与核心业务指标关系近的人&＃xff0c;需要重点关注&＃xff0c;多检查他们的工作方式和工作效率&＃xff0c;多与他们沟通&＃xff0c;保持信息的同步。
如图4-64所示&＃xff0c;树状图相信大家见过许多回了。一般说明逻辑树的分叉时&＃xff0c;都会提到“分解”和“汇总”的概念。这里把它变一变&＃xff0c;使其更贴近数据分析&＃xff0c;称为“下钻”和“上卷”。当然&＃xff0c;这两个词不是作者发明的&＃xff0c;早已有之。
逻辑树思维
下钻和上卷并不是局限于一个维度的&＃xff0c;往往是多维组合的节点进行分叉。逻辑树引申到算法领域就是决策树。有个关键点是何时做出决策&＃xff08;判断&＃xff09;。当进行分叉时&＃xff0c;往往会选择差别最大的一个维度进行拆分&＃xff0c;若差别不够大&＃xff0c;则这个枝芽就不再细分。能够产生显著差别的节点会被保留&＃xff0c;并继续细分&＃xff0c;直到分不出差别为止。经过这个过程&＃xff0c;我们就能找出影响指标变化的因素。
举个川术公司的例子&＃xff1a;作为川术公司的CEO&＃xff0c;你发现全国客户数量下降了&＃xff0c;你从地区和客户年龄层级两个维度先进行观察&＃xff0c;发现各个年龄段的客户都在下降&＃xff0c;而地区间有的下降有的升高&＃xff0c;说明按地区进行分支能够获得更多信息&＃xff0c;我们就按地区来拆分第一个逻辑树节点。拆分到大区后&＃xff0c;发现各省间的差别是显著的&＃xff0c;那就继续拆分到城市&＃xff0c;最终发现是浙江省杭州市的大量客户&＃xff08;涵盖各个年龄段&＃xff09;&＃xff0c;被竞争对手的一波推广活动转化走了。就此&＃xff0c;通过三个层级的逻辑树找到了问题所在。
很多问题&＃xff0c;我们找不到横向对比的方法和对象&＃xff0c;那么&＃xff0c;和历史上的状况比&＃xff0c;就将变得非常重要。其实很多时候&＃xff0c;作者更愿意用时间维度的对比来分析问题。这种方式容易排除一些外在干扰&＃xff0c;尤其适合创新型的分析对象&＃xff08;没有参照物&＃xff09;&＃xff0c;比如一个新行业的公司&＃xff0c;或者一款全新的产品。
时间序列的思维有三个关键点&＃xff1a;一是距今越近的时间点&＃xff0c;越要重视&＃xff08;在图4-65中用颜色的深浅度表示&＃xff0c;越近期发生的事&＃xff0c;越有可能再次发生&＃xff09;&＃xff1b;二是要做同比&＃xff08;用箭头指示&＃xff0c;指标往往存在某些周期性&＃xff0c;需要在周期中的同一阶段进行对比才有意义&＃xff09;&＃xff1b;三是异常值出现时&＃xff0c;必须重视&＃xff08;比如出现了历史最低值或历史最高值&＃xff0c;建议在时间序列作图时&＃xff0c;添加平均值线和平均值加减一倍或两倍标准差线&＃xff0c;便于观察异常值&＃xff09;。
时间序列思维
时间序列思维有一个子概念不得不提&＃xff0c;就是“生命周期”的概念。用户、产品、人事等无不有生命周期存在。衡量清楚生命周期&＃xff0c;就能方便地确定一些“阈值”问题&＃xff0c;使产品和运营的节奏更明确。
随着数据运算能力的提高&＃xff0c;队列分析&＃xff08;Cohort Analysis&＃xff09;的方式逐渐崭露头脚&＃xff0c;如图4-66所示。作者的理解是按一定的规则&＃xff0c;在某些维度上将观察对象切片&＃xff0c;组成一个观察样本&＃xff0c;然后观察这个样本的某些指标随着时间的演进而产生的变化。目前使用得最多的场景就是留存分析。
队列分析思维
举个川术公司的例子&＃xff1a;该公司在5月17日举办了一次促销活动&＃xff0c;将这一天来的新用户作为一个观察样本&＃xff0c;观察他们之后每天的活跃情况。可以想象&＃xff0c;若在5月17日、6月17日、7月17日都举办了活动&＃xff0c;那么这三天来的新用户&＃xff0c;在注册后一段时间的使用情况就像3条队伍一样向后延伸。
如图4-67所示&＃xff0c;循环&＃xff0f;闭环的概念可以引申到很多场景中&＃xff0c;例如业务流程的闭环、用户生命周期闭环、产品功能使用闭环、市场推广策略闭环等。许多时候你会觉得这是一个不落地的概念&＃xff0c;因为提的人很多&＃xff0c;干出事情的很少。
闭环思维
业务流程的闭环是管理者比较容易定义出来的&＃xff0c;列出公司所有业务环节&＃xff0c;梳理出业务流程&＃xff0c;然后定义各个环节之间相互影响的指标&＃xff0c;跟踪这些指标的变化&＃xff0c;能从全局上把握公司的运行状况。
例如&＃xff0c;川术软件公司的典型业务流&＃xff1a;推广行为&＃xff08;市场部&＃xff09;→流量进入主站&＃xff08;市场&＃xff0b;产研&＃xff09;→注册流程&＃xff08;产研&＃xff09;→试用体验&＃xff08;产研&＃xff0b;销售&＃xff09;→进入采购流程&＃xff08;销售部&＃xff09;→交易并部署&＃xff08;售后&＃xff0b;产研&＃xff09;→使用、续约、推荐&＃xff08;售后&＃xff0b;市场&＃xff09;→推广行为&＃xff0c;一个闭环下来&＃xff0c;各个衔接环节的指标&＃xff0c;就值得关注了&＃xff1a;广告点击率→注册流程进入率→注册转化率→试用率→销售管道各环节转化率→付款率→推荐率&＃xff0f;续约率……这里会涉及漏斗思维&＃xff0c;但千万不要用一个漏斗来衡量一个循环。
不知你有没有发现&＃xff0c;闭环思维&＃xff0c;实际上提供了一种设计指标体系的方式。有了循环思维&＃xff0c;你能比较快地建立有逻辑关系的指标体系。
如图4-68所示&＃xff0c;A/B测试大家肯定不陌生。一是在条件允许的情况下&＃xff0c;决策前尽量做对比测试&＃xff1b;二是测试时&＃xff0c;一定要注意参照组的选择&＃xff0c;建议任何实验中都留有不进行任何变化的一组样本&＃xff0c;作为最基本的参照。
测试思维
现在很多公司都能支持灰度发布&＃xff0c;数据获取也越来越方便。因此&＃xff0c;在保证数据质量的前提下&＃xff0c;希望大家多做实验&＃xff0c;多去发现规律。在使用A/B测试方法时&＃xff0c;在进行数据分析时千万不要忘记上文中所介绍的DID方法。
如图4-69所示&＃xff0c;指数化思维是指将衡量一个问题的多个因素分别量化后&＃xff0c;组合成一个综合指数&＃xff08;降维&＃xff09;来持续追踪。前文已经说过&＃xff0c;许多管理者面临的问题是“数据太多&＃xff0c;可用的太少”&＃xff0c;这就需要“降维”&＃xff0c;即把多个指标压缩为单个指标。
指数化思维
指数化的好处非常明显&＃xff0c;一是减少了指标&＃xff0c;使得管理者精力更集中&＃xff1b;二是指数化的指标往往提高了数据的信度和效度&＃xff1b;三是指数能长期使用且便于理解。
指数的设计是门大学问&＃xff0c;这里简单提三个关键点&＃xff1a;一是要遵循独立和穷尽&＃xff08;MECE&＃xff09;的原则&＃xff1b;二是要注意各指标的单位&＃xff0c;尽量做标准化来消除单位的影响&＃xff1b;三是权重和要等于1。
举个例子&＃xff1a;在设计川术公司销售部门的指标体系时&＃xff0c;目的是衡量销售部的绩效&＃xff0c;确定了核心指标是销售额后&＃xff0c;你将绩效拆分为订单数、客单价、线索转化率、成单周期、续约率5个相互独立的指标&＃xff0c;且这5个指标涵盖了销售绩效的各个方面&＃xff08;穷尽&＃xff09;。你设计的销售绩效综合指数&＃xff1d;0.4×订单数&＃xff0b;0.2×客单价&＃xff0b;0.2×线索转化率&＃xff0b;0.1×成单周期&＃xff0b;0.1×续约率&＃xff0c;各指标都采用max-min的方法进行标准化。这样&＃xff0c;作为销售总监&＃xff0c;在时间仓促时&＃xff0c;只需要盯住销售绩效综合指数这一个数字&＃xff0c;就能知道各个销售团队或者销售员的表现&＃xff0c;而不需要从多维度进行对比。
许多时候&＃xff0c;我们总觉得想解答的问题受到各种因素的干扰&＃xff0c;有正向的也有反向的&＃xff0c;如图4-70所示。这时&＃xff0c;建议大家启用极端化思维。一是把众多因素极端地缩减到1个或者2个&＃xff1b;二是把这一两个因素的影响放到最大。例如&＃xff0c;在思考竞争格局时&＃xff0c;不妨将思考因素锁定为一个&＃xff0c;并将它的影响设定为最大&＃xff08;如潜在进入者只有一家&＃xff0c;它是全球最有钱的公司&＃xff09;&＃xff0c;然后想想我们自身的机会在哪里&＃xff0c;该怎么做。
极端化思维
在数据分析中&＃xff0c;多因素影响的窘境是经常遇到的。往往一个指标的变动受到太多因素的影响&＃xff0c;根本分解不出来。这时&＃xff0c;就会假设指标只受到与它相关性最高的那一个因素的影响&＃xff0c;同时维度上也只挑选一个维度&＃xff0c;然后去探查原因。
反向思维一般应用在历史数据回顾这样的场景中。在回顾历史数据的需求产生时&＃xff0c;往往会先列出一堆当前看来非常正常的事情&＃xff0c;然后一项项地将当前正常的事情所对应的反常情况罗列出来&＃xff0c;最后到历史数据中寻找反常事件出现的时间或者维度&＃xff0c;如图4-71所示。
反向思维
在运营中&＃xff0c;我们可以采用这种思维方式观察数据&＃xff0c;或者不自觉地采用这种思维方式观察数据。我们将自己认知的正常的数据表现&＃xff08;大部分情况下出现的&＃xff09;进行详细的罗列&＃xff0c;然后列出它们所对应的反常情况。在追踪数据时&＃xff0c;我们的注意力就着重放在这些反常情况上。反常情况一旦出现&＃xff0c;我们就需要定位问题。
作者&＃xff1a;胡晨川&＃xff1b; 本文接自《数据化运营速成手册》4.6章节&＃xff0c;获作者与出版社授权转载。
原创系列文章&＃xff1a;
1&＃xff1a;从0开始搭建自己的数据运营指标体系&＃xff08;概括篇&＃xff09;
2 &＃xff1a;从0开始搭建自己的数据运营指标体系&＃xff08;定位篇&＃xff09;
3 &＃xff1a;从0开始搭建自己的数据运营体系&＃xff08;业务理解篇&＃xff09;
4 &＃xff1a;数据指标的构建流程与逻辑
5 &＃xff1a;系列 &＃xff1a;从数据指标到数据运营指标体系
6: 实战 &＃xff1a;为自己的公号搭建一个数据运营指标体系
数据运营 关联文章阅读&＃xff1a;
运营入门&＃xff0c;从0到1搭建数据分析知识体系
推荐 &＃xff1a;数据分析师与运营协作的9个好习惯
干货 &＃xff1a;手把手教你搭建数据化用户运营体系
推荐 &＃xff1a;最用心的运营数据指标解读
干货 : 如何构建数据运营指标体系
从零开始&＃xff0c;构建数据化运营体系
干货 &＃xff1a;解读产品、运营和数据三个基友关系
干货 &＃xff1a;从0到1搭建数据运营体系
数据分析、数据产品 关联文章阅读&＃xff1a;
干货 &＃xff1a;数据分析团队的搭建和思考
关于用户画像那些事&＃xff0c;看这一文章就够了
数据分析师必需具备的10种分析思维。
如何构建大数据层级体系&＃xff0c;看这一文章就够了
干货 &＃xff1a; 聚焦于用户行为分析的数据产品
如何构建大数据层级体系&＃xff0c;看这一文章就够了
80%的运营注定了打杂&＃xff1f;因为你没有搭建出一套有效的用户运营体系
从底层到应用&＃xff0c;那些数据人的必备技能
读懂用户运营体系&＃xff1a;用户分层和分群
做运营必须掌握的数据分析思维&＃xff0c;你还敢说不会做数据分析
商务合作&＃xff5c;约稿 请加qq&＃xff1a;365242293
更多相关知识请回复&＃xff1a;“ 月光宝盒 ”&＃xff1b;
数据分析&＃xff08;ID : ecshujufenxi &＃xff09;互联网科技与数据圈自己的微信&＃xff0c;也是WeMedia自媒体联盟成员之一&＃xff0c;WeMedia联盟覆盖5000万人群。
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有 
